[发明专利]基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法

说明书

本发明公开了一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，首先处理训练数据集，设计ResNet网络训练模块，搭建ResNet训练网络和连接方式；其次根据布谷鸟算法相关步骤，设计CS寻优模块；然后进行无线电调制信号模型训练，并融合布谷鸟算法寻优模块不断迭代寻优，得到待优化目标超参数的优质解，残差网络根据优质解改进相关参数；最后经过训练后的网络输出准确率、混淆矩阵等，作为识别分类效果的指标，本方法采用CS算法优化初始参数设置，改变了以往凭借经验手动设置初始值不合理时影响网络训练效果及最终识别分类准确率的情况，通过迭代优化得到合适的初始权值，有效地改进了传统的ResNet训练的缺陷，同时具有很好的工程价值。

技术领域

本发明属于数字通信技术领域，更具体地，涉及一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法。

背景技术

现如今在军事领域和民用领域中对信号调制识别的需求越来越高，尤其是现如今5G通信技术的迅速发展，信号调制的需求将上升一个台阶，随之其难度也将上升。

现代通信调制方式更加复杂，且调制信号识别场景更加多样化，这使得如何提高信号调制识别分类的速度和准确率成为重要问题。深度学习作为一种可以适应多种信号调制种类的识别分类方法，有效解决了传统识别分类方法中需要提取特征的复杂过程。但是深度学习面临着网络初始化超参数时需要凭借经验手动设置初始值，且初始值设置不合理时会影响网络训练效果及最终的识别分类准确率的问题，因此，如何设置合适的超参数作为网络的初始值是当前的一个重要的任务。

发明内容

本发明提出了一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法。采用ResNet进行无线电调制信号深度学习时，若选择不合适的初始超参数，会使模型收敛速度慢，难以得到理想的训练效果，且影响最终的识别分类准确率。因此采用布谷鸟CS算法优化初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，同时具有很好的工程价值。

本发明是通过如下技术方案实现的：

基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，在采用深度学习ResNet网络训练无线电调制信号识别分类时，采用布谷鸟算法优化ResNet初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，本方法包括以下步骤：

步骤一：处理无线电调制信号的训练数据集，设计ResNet网络训练模型，搭建ResNet残差训练网络和连接方式；

步骤二：根据步骤一搭建的ResNet网络训练模型和布谷鸟算法，设计CS寻优模块；进行无线电调制信号模型训练，并融合布谷鸟算法的CS寻优模块不断迭代寻优，得到待优化目标超参数的优质解，ResNet残差训练网络根据优质解改进待优化目标超参数；

步骤三：经过训练后的ResNet残差训练网络输出无线电调制信号识别分类的准确率、混淆矩阵，作为识别分类效果的指标。

进一步的技术方案包括：

步骤一的具体过程为：

(1)利用h5py库对无线电调制信号的2018.01.osc.0001_1024数据集进行读取：

无线电调制信号的2018.01.osc.0001_1024数据集包括24种不同的调制方式，每种调制方式下包括26种不同的信噪比；数据集文件夹下包含3个group，分别为X group、Ygroup和Z group，其中，X group中为待识别分类的I和Q两路调制信号，每路调制信号包含1024个点；Y group中为与X group中的样本对应的调制方式的one-hot标签；Z group中为与X group中的样本对应的信噪比的标签；